为解决传统目标检测算法在地铁、商场以及交通堵塞等地区高密度人群中因目标重叠和尺寸偏小而难以检测的问题,文中提出一种基于YOLOv5(You Only Look Once version 5)网络的目标检测算法。在算法模型的锚框部分引入新特征图来设计添加...为解决传统目标检测算法在地铁、商场以及交通堵塞等地区高密度人群中因目标重叠和尺寸偏小而难以检测的问题,文中提出一种基于YOLOv5(You Only Look Once version 5)网络的目标检测算法。在算法模型的锚框部分引入新特征图来设计添加小目标检测层,以此提升检测小目标的准确性。通过重新定义一个卷积层,在YOLOv5中添加SOCA(Second-Order Channel Attention)注意力机制,提高了模型对复杂场景和遮挡的鲁棒性。引入Focal_EIoU(Focal and Efficient Intersection over Union)替换原始模型的损失函数CIoU(Complete Intersection over Union),从而提高了模型在高密度目标上的检测精度。实验结果表明,改进YOLOv5算法在CrowdHuman数据集上的平均检测精度比原模型提高了6.7百分点,召回率提高了3.8百分点,优于FPN(Feature Pyramid Network)和RetinaNet算法,实现了对高密度人群的目标检测优化。展开更多
为解决在目标检测网络中使用特征融合方法带来的参数量大、计算复杂度高的问题,提出了一种融合无参注意力机制(SimAM)的特征融合方法。对动态蛇形卷积(DSConv)进行轻量化处理(Light-DSConv)。利用该结构自主学习目标几何形状的能力,对...为解决在目标检测网络中使用特征融合方法带来的参数量大、计算复杂度高的问题,提出了一种融合无参注意力机制(SimAM)的特征融合方法。对动态蛇形卷积(DSConv)进行轻量化处理(Light-DSConv)。利用该结构自主学习目标几何形状的能力,对小目标的特征进行二次提取。利用SimAM模块对特征图空间域的重要性进行划分并与通道域权重相结合,进一步提升模型性能。在Pascal VOC 2007测试集上测试融合模块的有效性。结果表明:轻量化后,单个DSConv结构参数量下降85.6%。模型平均精度(mean average precision,mAP)比基线模型增加了4.41%,比添加现有特征融合方法模型平均增加3.78%。所提出模块的参数量、计算量、检测速度与现阶段其它方法相比均具有一定优势。展开更多
以一个精确可靠的设计模式检测模型为目标,结合形式概念分析(formal concept analysis,FCA)与实例推理(case based reasoning,CBR)技术,提出一种基于更完整问题描述的改进技术模型,通过FCA与余弦理论思想计算特征指标与相近案例的相似性...以一个精确可靠的设计模式检测模型为目标,结合形式概念分析(formal concept analysis,FCA)与实例推理(case based reasoning,CBR)技术,提出一种基于更完整问题描述的改进技术模型,通过FCA与余弦理论思想计算特征指标与相近案例的相似性值Score,对其结果进行优先级排序,并取得最优选择之后,将其匹配的特征结果存储到学习模型的保存过程阶段。最后,给出一种基于平均精度MAP的性能评估方法模型。试验结果表明。展开更多
文摘为解决传统目标检测算法在地铁、商场以及交通堵塞等地区高密度人群中因目标重叠和尺寸偏小而难以检测的问题,文中提出一种基于YOLOv5(You Only Look Once version 5)网络的目标检测算法。在算法模型的锚框部分引入新特征图来设计添加小目标检测层,以此提升检测小目标的准确性。通过重新定义一个卷积层,在YOLOv5中添加SOCA(Second-Order Channel Attention)注意力机制,提高了模型对复杂场景和遮挡的鲁棒性。引入Focal_EIoU(Focal and Efficient Intersection over Union)替换原始模型的损失函数CIoU(Complete Intersection over Union),从而提高了模型在高密度目标上的检测精度。实验结果表明,改进YOLOv5算法在CrowdHuman数据集上的平均检测精度比原模型提高了6.7百分点,召回率提高了3.8百分点,优于FPN(Feature Pyramid Network)和RetinaNet算法,实现了对高密度人群的目标检测优化。
文摘为解决在目标检测网络中使用特征融合方法带来的参数量大、计算复杂度高的问题,提出了一种融合无参注意力机制(SimAM)的特征融合方法。对动态蛇形卷积(DSConv)进行轻量化处理(Light-DSConv)。利用该结构自主学习目标几何形状的能力,对小目标的特征进行二次提取。利用SimAM模块对特征图空间域的重要性进行划分并与通道域权重相结合,进一步提升模型性能。在Pascal VOC 2007测试集上测试融合模块的有效性。结果表明:轻量化后,单个DSConv结构参数量下降85.6%。模型平均精度(mean average precision,mAP)比基线模型增加了4.41%,比添加现有特征融合方法模型平均增加3.78%。所提出模块的参数量、计算量、检测速度与现阶段其它方法相比均具有一定优势。
文摘以一个精确可靠的设计模式检测模型为目标,结合形式概念分析(formal concept analysis,FCA)与实例推理(case based reasoning,CBR)技术,提出一种基于更完整问题描述的改进技术模型,通过FCA与余弦理论思想计算特征指标与相近案例的相似性值Score,对其结果进行优先级排序,并取得最优选择之后,将其匹配的特征结果存储到学习模型的保存过程阶段。最后,给出一种基于平均精度MAP的性能评估方法模型。试验结果表明。
